科研筆記(四) 高精度實時室內定位系統

Hello，everyone！
我是CS科研GO，一個熱衷於科研和軟開的胖子！
論文題目：Smartphone-based Real-time Indoor Location Tracking with One-meter Precision
論文作者：Po-Chou Liang，Paul Krause；
工作單位：University of Surrey，UK；
發表期刊：IEEE Journal of Biomedical and Health Informatics（SCI二區），2015。

1. 前言

• 監測居家老年人的日常生活活動有助於發現新的或惡化的健康狀況。然而，現有的室內位置跟蹤系統的準確性仍不令人滿意。因此，此研究目的是開發一個定位系統，能夠識別患者在家庭環境中的實時位置。

• 論文基於傳感器融合方法構建的概念驗證系統考慮了更低的成本、更少的侵入性以及更高的移動性、可部署性和可移植性。論文利用iPhone 5的加速度計和陀螺儀開發計步器，並使用卡爾曼濾波器和接收信號強度指示(RSSI)來開發一個定位系統。

• 實驗結果表明，系統平均估計誤差爲0.47米。

2. 研究背景

• 由於實時家庭醫療遠程監護的成本較高，因此係統改進的主要考慮因素包括更低的成本、更少的干擾以及更高的移動性、可部署性和可移植性。此類系統包括監測用戶的生命體徵、安全和位置跟蹤。

• 爲降低系統成本，論文提出了一個客戶端實時室內位置跟蹤系統，該系統由一個用戶代理模塊(基於iPhone 5)和一些低成本傳感器組成。

• 系統的基本要求：在95%的置信水平下，識別患者在家庭環境中的實時位置，最大估計誤差爲2米。

3. 預備知識

3.1 步行檢測研究

此類研究利用傳感器的高採樣率，雖然提供了更精確的測量，但會顯著消耗智能手機的電池。此外，安裝在腳背上的傳感器和同時使用兩部智能手機都是不實用的。

3.2 基於無線電的室內定位研究

目前，室內定位的工作成果還並不能廣泛應用於人們的日常生活中。此外，從這些工作中得到的經驗教訓表明，需要開發一種適用於智能手機執行的輕量級但精確的定位算法；避免採用詳細的無線電地圖，以及過多的硬件安裝。這將有助於實時遠程監控系統以更低的成本實現更高的機動性、可靠性、可部署性和可移植性。

3.3 RSSI

從理論上講，RSSI基於平方反比定律，即無線信號強度與到信號源的距離的平方反比。然而，現實生活中由於多徑衰落、室內陰影、干擾等問題，大大增加了基於RSSI的距離估計的複雜性。

3.4 卡爾曼濾波器

由於卡爾曼濾波器與蒙特卡羅濾波器相比計算簡單，且前者有更好的收斂速度，所以論文選擇前者來構建定位算法。

4. 系統設計與實現

文中考慮使用BLE傳感器，通過RSSI數據進行位置估計。然而，iPhone 5的RSSI更新速率每秒一次，使得RSSI結果不可靠。因此，論文采用傳感器融合的方法來進行位置估計。基於這種方法，設計並實現了步長檢測器、用於距離估計的卡爾曼濾波器和估計優化機制。

4.1 步長檢測算法

• 基於經驗，定義兩個閾值，SV_THRESHOLD1=1.07，
  SV_THRESHOLD2=0.209。若滿足上述閾值，則當前進加速度小於或等於FWD_ACC_THRESHOLD=0.3或100毫秒以內的航向角度變化等於或小於HEADING_THRESHOLD=7°，則檢測到一步。
• 如果在200毫秒內檢測到兩步，則第二步被認爲存在問題，因此捨棄。
• 只要在iPhone 5收到來自BLE的RSSI更新，目標的新位置以及目標與每個BLE之間的距離，根據步長的預定義長度（例如0.65米）和航向數據進行計算。

4.2 卡爾曼濾波器

• 卡爾曼濾波器用於估計目標到BLE間的距離，表示爲$d_{i,k}$，$i$爲BLE序號，$k$爲時刻。

• 從傳感器接收到新的RSSI更新後，由步長檢測器計算出的距離信息將用作卡爾曼濾波器的控制信號$u_{i,k}$。利用卡爾曼濾波器開始新的狀態估計之前，爲使目標運動與RSSI測量同步，需等待RSSI更新。

• 當檢測一步時，根據經驗，設置0-0.13m作爲過程噪聲w_(i,k)。過程噪聲的協方差$Q_{i}=E\left[w_{i, k}, w_{i, k}^{T}\right]$，$E[.]$爲期望；測量噪聲$v_{i,k}$等於轉換距離乘以噪聲因子0.6。時間更新方程和測量更新方程爲：
  $d_{i, k}^{-}=d_{i, k-1}+d_{i, c h g}+w_{i, k}$
  $d_{i, k}=d_{i, k}^{-}+k_{i, k}\left(d_{i, m e a}-d_{i, k}^{-}\right)$
  其中，其中，$d_{i,chg}$指在用戶代理接收到RSSI更新之間的時間段內，目標與傳感器i之間的距離變化；$d_{i,mea}$爲從傳感器$i$接收到的RSSI測量值轉換而來的距離。

4.3 估計優化機制

爲了實時計算目標的位置，文中使用三角定位技術。然而，RSSI測量的不準確和數量不足對距離估計的準確性產生了負面影響。此外，爲了估計距離從而在三個圓之間創建交點的過程給系統帶來了進一步的噪聲。

爲此，文中使用緊耦合傳感器融合機制解決上述問題。

當兩個連續RSSI讀數之間的差小於或等於RSSI_CHG_THRESHOLD時，這意味着這些RSSI測量值可能比平時更準確，將下一輪卡爾曼濾波器的測量噪聲因子減半。然後，該機制使用下面公式選擇最接近通過步長檢測估計的目標位置的交點，作爲該精確時刻目標的最終估計位置。

$\sigma_{x, y}=\sqrt{\left(x-x_{s}\right)^{2}+\left(y-y_{s}\right)^{2}}$

其中，$(x, y)$爲待選位置點，$(x_s,y_s)$爲步長檢測估計出來的位置點。

5. 實驗評估

5.1 實驗設置

首先將三個BLE傳感器（TI SensorTags，分別表示爲S0、S1和S2）放置在離地面1.1米高的辦公室的三個不同牆壁上。用戶手持iPhone 5（傳感器採樣頻率爲10Hz），屏幕朝上（約25度仰角），並在水泥牆辦公室（9米*6米）內行走長達65秒，進行了24次試驗。如圖爲第22次試驗中基於步長檢測和緊耦合傳感器融合機制的1分鐘跟蹤路徑，以及用戶的真實運動(行走序列：1-2-3-4-3-2-3-4-3)。

5.2 性能評估

如下圖所示，步長檢測和緊密耦合傳感器融合機制的性能在精度上有一定的相似性，在某些情況下，兩者互有優劣。基於前者的總體平均估計誤差爲0.47米(標準差爲0.154米)，基於後者的總體平均估計誤差爲0.56米(標準差爲0.165米)。然而，當算法的參數改變時，後者有着更好的健壯性。

此外，若用戶以過快的速度或異常的舉動（例如大步地或一瘸一拐地）進行運動，可能會嚴重錯誤地估計步數，則估計結果可能會非常不可靠。由於實驗是基於正常的受試者/用戶，未來可以計劃使用更廣泛的受試者進行進一步的測試和評估，例如患有震顫問題的帕金森氏病患者，以及更多的行走方式。

內容靠得住，關注不迷路。